PhoneME简介(翻译) 作者：陈跃峰 出自： http://blog.csdn.net/mailbomb phoneME Feature software是一个优化了的Java ME架构。它的核心是支持多任务的MIDP2.1规范实现。 当phoneME Feature software运行多个MIDlet时，它只使用一个系统进程，因为一个Java虚拟机实例可以执行几个应用，并

ABSTRACT         现存的语音增强方法有时域和频域的方法，但是这些方法啊没有关注过带噪信号里面的语义信息。这篇论文，作者希望借用语义信息能够使得增强的效果更好。因而，提出了一个音素级分布正则化模块PbDr，将帧级语义信息作为条件整合到增强网络里面。频域上不同的音素导致不同的特征分布，通过因素分类模块产生了一个参数对，尺度和偏置。这个参数对不只包括帧级，也包括频域级，能够有效的将特征

文章目录 写在前面标准提示：实验记录：1. Sample code2. 数据归一化，添加了BN，大的batch_size由64改为128，修改激活函数为Relu，添加plot_learning_curve工具看loss曲线，3. （overfitting）make model simpler（直接去掉第三层全连接层）4. batch_size直接改为5125. lr = 0.001(默认参数

环境：python2.7和python3.6 最近训练的一个神经网络需要wav文件和phn文件作为自己输入。 所有的数据库中都有wav文件，但是phoneme文件却不是每个数据库都有。 TIMIT数据库中就PHN文件。 先贴个PHN文件的图。 SX127.PHN 再看一下这句话的文本。 后面就是这句话没问题，0-24679肯定就是时间了。 我们看到时间是1.543，因为

0. 说明 VAE + LID效果目前是最好的, 将LID调整下, 不在decoder拼接LID, 在encoder_output处拼接 1. 枚举方案 有以下方案 speaker emb和residual仍然在decoder拼接, 只LID在前面speaker emb和residual放在前面与否, 仅仅是被query的内容不同; 而根据query为声学特征, memory为文本特征,

文章出自Microsoft STC India， INTERSPEECH 2020。 本文主要解决的问题在于，针对英文-印度语混读情景，当印地语使用罗马字母拼写的时候，已有的G2P模型无法很好的将其与英文区分开，并标注正确的发音，并且这些工具比较复杂。因此，本文在已有工作[1,2,3]基础上，使用一种端到端G2P模块简化了模型，提出了一种使用分离音素集（seperated phoneset）训练混